YOLOv3 e YOLOv3u
Visão geral#
Este documento apresenta uma visão geral de três modelos de deteção de objetos estreitamente relacionados, nomeadamente YOLOv3, YOLOv3-Ultralytics e YOLOv3u.
-
YOLOv3: Esta é a terceira versão do algoritmo de deteção de objetos You Only Look Once (YOLO). Desenvolvido originalmente por Joseph Redmon, o YOLOv3 melhorou os modelos anteriores ao introduzir previsões em três escalas diferentes.
-
YOLOv3-Ultralytics: Esta é a implementação de YOLOv3 em PyTorch da Ultralytics, mantida no repositório ultralytics/yolov3. Mantém a arquitetura original baseada em âncoras, ao mesmo tempo que adiciona mais modelos pré-treinados e facilita a personalização.
-
YOLOv3u: Esta é uma versão atualizada do YOLOv3-Ultralytics que incorpora a cabeça dividida sem âncoras e sem pontuação de confiança para a presença de objetos, utilizada nos modelos YOLOv8. O YOLOv3u mantém a mesma arquitetura da rede base e do pescoço do YOLOv3, mas com a cabeça de deteção atualizada do YOLOv8.

Principais funcionalidades#
-
YOLOv3: Introduziu a deteção em três escalas diferentes, com grelhas de saída de 13x13, 26x26 e 52x52 para uma entrada de 416x416. Isto melhorou significativamente a precisão da deteção de objetos de diferentes tamanhos. Além disso, o YOLOv3 adicionou previsões multilabel para cada caixa delimitadora e uma rede de extração de características mais robusta, a Darknet-53.
-
YOLOv3u: Este modelo atualizado incorpora a cabeça dividida sem âncoras nem objetividade do YOLOv8. Ao eliminar a necessidade de caixas-âncora predefinidas e de pontuações de objetividade, este design da cabeça de deteção pode melhorar a capacidade do modelo para detetar objetos de diferentes tamanhos e formas. Isto torna o YOLOv3u mais robusto e preciso em tarefas de deteção de objetos.
Tarefas e modos compatíveis#
O YOLOv3 foi concebido especificamente para tarefas de deteção de objetos. A Ultralytics suporta três variantes do YOLOv3: yolov3u, yolov3-tinyu e yolov3-sppu. O u no nome indica que estas variantes utilizam a cabeça sem âncoras do YOLOv8, ao contrário da arquitetura original, que se baseia em âncoras. As variantes equilibram precisão e velocidade: o YOLOv3-Tiny é o mais pequeno e rápido, enquanto o YOLOv3-SPP adiciona agregação piramidal espacial ao modelo YOLOv3 padrão.
Os três modelos suportam os modos de treino, validação, inferência e exportação, cobrindo todas as etapas, do desenvolvimento à implementação do modelo.
| Tipo de modelo | Pesos pré-treinados | Tarefas suportadas | Treinamento | Validação | Inferência | Exportar |
|---|---|---|---|---|---|---|
| YOLOv3(u) | yolov3u.pt | Deteção de objetos | ✅ | ✅ | ✅ | ✅ |
| YOLOv3-Tiny(u) | yolov3-tinyu.pt | Deteção de objetos | ✅ | ✅ | ✅ | ✅ |
| YOLOv3-SPP(u) | yolov3-sppu.pt | Deteção de objetos | ✅ | ✅ | ✅ | ✅ |
Esta tabela resume as tarefas e os modos suportados por cada variante do YOLOv3.
Exemplos de uso#
Este exemplo apresenta exemplos simples de treino e inferência com YOLOv3.
Os modelos *.pt pré-treinados em PyTorch, assim como os ficheiros de configuração *.yaml, podem ser passados à classe YOLO() para criar uma instância do modelo em Python:
from ultralytics import YOLO
# Carrega um modelo YOLOv3u pré-treinado no COCO
model = YOLO("yolov3u.pt")
# Exibir informações do modelo (opcional)
model.info()
# Treina o modelo no conjunto de dados de exemplo COCO8 durante 100 épocas
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Executa a inferência com o modelo YOLOv3u na imagem 'bus.jpg'
results = model("path/to/bus.jpg")Citações e agradecimentos#
Se utilizares YOLOv3 na tua investigação, cita os artigos originais do YOLO e o repositório YOLOv3 da Ultralytics:
@article{redmon2018yolov3,
title={YOLOv3: An Incremental Improvement},
author={Redmon, Joseph and Farhadi, Ali},
journal={arXiv preprint arXiv:1804.02767},
year={2018}
}Agradecemos a Joseph Redmon e Ali Farhadi pelo desenvolvimento do YOLOv3 original.
Perguntas frequentes#
O YOLOv3 é a terceira iteração do algoritmo de deteção de objetos YOLO (You Only Look Once), desenvolvido por Joseph Redmon e conhecido pelo equilíbrio entre precisão e velocidade, com previsões em três escalas diferentes (grelhas de 13x13, 26x26 e 52x52 para uma entrada de 416x416). O YOLOv3-Ultralytics é uma adaptação do YOLOv3 da Ultralytics que acrescenta suporte para mais modelos pré-treinados e facilita a personalização de modelos. O YOLOv3u é uma variante atualizada do YOLOv3-Ultralytics, que integra a cabeça dividida sem âncoras e sem objetividade do YOLOv8, melhorando a robustez e a precisão da deteção para objetos de vários tamanhos.
Podes treinar um modelo YOLOv3u com Python ou com a CLI:
Exemplofrom ultralytics import YOLO # Carrega um modelo YOLOv3u pré-treinado no COCO model = YOLO("yolov3u.pt") # Treina o modelo no conjunto de dados de exemplo COCO8 durante 100 épocas results = model.train(data="coco8.yaml", epochs=100, imgsz=640)Para consultar mais opções e orientações de treino, visita a documentação do modo Train.
O YOLOv3u melhora o YOLOv3 e o YOLOv3-Ultralytics ao incorporar a cabeça dividida sem âncoras e sem objectness utilizada nos modelos YOLOv8. Esta atualização elimina a necessidade de caixas-âncora predefinidas e pontuações de objectness, aumentando a capacidade de detetar objetos de vários tamanhos e formas com maior precisão. Isto torna o YOLOv3u uma opção melhor para tarefas de deteção de objetos complexas e variadas. Para mais informações, consulta a secção Principais funcionalidades.
Podes executar inferências com modelos YOLOv3 através de Python ou da CLI:
Exemplofrom ultralytics import YOLO # Carrega um modelo YOLOv3u pré-treinado no COCO model = YOLO("yolov3u.pt") # Executa a inferência com o modelo YOLOv3u na imagem 'bus.jpg' results = model("path/to/bus.jpg")Consulta a documentação do modo de inferência para saber mais sobre como executar modelos YOLO.
O YOLOv3, o YOLOv3-Tiny e o YOLOv3-SPP suportam principalmente tarefas de deteção de objetos. Estes modelos suportam os modos de treino, validação, inferência e exportação.
Se utilizares YOLOv3 na tua investigação, cita os artigos originais do YOLO e o repositório YOLOv3 da Ultralytics. Exemplo de citação BibTeX:
Citação@article{redmon2018yolov3, title={YOLOv3: An Incremental Improvement}, author={Redmon, Joseph and Farhadi, Ali}, journal={arXiv preprint arXiv:1804.02767}, year={2018} }Para mais informações sobre citações, consulta a secção Citações e agradecimentos.
Comentários
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.